可靠的数据管理策略可以为任何寻求利用数据价值的企业带来回报。 尽管如此，数据驱动决策的道路仍然充满挑战和难题。

有人称数据为新油。 其他人称之为新黄金。 哲学家和经济学家可能会争论这个比喻的质量，但毫无疑问，组织和分析数据对于任何希望兑现数据驱动决策承诺的企业来说都是一项至关重要的努力。

为此，可靠的数据管理策略是关键。 包括数据治理、数据运营、数据仓库、数据工程、数据分析、数据科学等，数据管理如果做得好，可以为每个行业的企业提供竞争优势。

好消息是，数据管理的许多方面都得到了很好的理解，并且基于几十年来发展的合理原则。例如，它们可能不容易应用或难以理解，但多亏了基准科学家和数学家等，公司现在拥​​有一系列用于分析数据和得出结论的后勤框架。更重要的是，我们还有统计模型，可以绘制误差线来描述我们的分析范围。

但是，尽管数据科学和推动它的各种学科的研究产生了所有好处，但有时我们仍然摸不着头脑。企业经常遇到该领域的限制。一些悖论与收集和组织如此多数据的实际挑战有关。其他的则是哲学的，测试我们推理抽象品质的能力。然后，围绕首先收集的大量数据的隐私问题日益增加。

以下是使数据管理对众多企业构成挑战的一些不为人知的秘密。

数据分析是一门专注于从数据中提取洞察力的学科，包括数据的分析、收集、组织和存储，以及这样做的工具和技术。

什么是数据分析？

数据分析是一门专注于从数据中提取洞察力的学科。 它包括数据分析和管理的过程、工具和技术，包括数据的收集、组织和存储。 数据分析的主要目的是对数据应用统计分析和技术来发现趋势和解决问题。 作为分析和塑造业务流程以及改进决策和业务成果的一种手段，数据分析在企业中变得越来越重要。

数据分析从一系列学科（包括计算机编程、数学和统计学）中汲取知识，对数据进行分析，以描述、预测和提高性能。 为了确保进行稳健的分析，数据分析团队利用了一系列数据管理技术，包括数据挖掘、数据清理、数据转换、数据建模等。

数据分析的四种类型是什么？

分析大致分为四种类型：描述性分析，它试图描述在特定时间点发生的事情；诊断分析，用于评估发生某事的原因；预测分析，确定未来发生某事的可能性；和规范性分析，它提供了为实现预期结果而采取的建议措施。

进一步来说：

数据管理平台 (DMP) 帮助组织从广泛的来源收集和管理数据，并且对于以客户为中心的销售和营销活动变得越来越重要。

数据管理平台 (DMP) 是一组工具，旨在帮助组织从各种来源收集和管理数据，并创建有助于解释这些数据流中发生的情况的报告。 部署 DMP 可能是公司在以数据为主导的商业世界中导航的好方法。

“数据管理平台”这个名称可能会让人感到困惑，因为它是一种通用产品，适用于所有类型的数据科学家的所有形式的数据。 然而，最近，该术语已被营销团队采用，并且供应商目前提供的许多数据管理平台都针对他们的需求进行了调整。 在这些情况下，数据馈送主要来自各种广告渠道，它们生成的报告旨在帮助营销人员明智地消费。

这种市场转变正在出现，因为现代、数据驱动的营销团队必须浏览连接数据源和格式的网络，包括转储有关受众参与度和点击率的统计数据的广告市场、报告客户购买情况的销售软件系统和网站——甚至是储藏室的地板——跟踪参与度。所有这些数据都是以 TB 为单位到达的，数据管理平台可以帮助营销人员理解这一切。

Informatica 正在提供与主要云提供商的新集成，以降低数据迁移、管理和工程的复杂性。

与甲骨文、微软 Azure 和谷歌云的新合作伙伴关系突显了 Informatica 通过提供减少数据迁移、管理和工程任务的时间和复杂性的集成来主导数据管理产品市场的战略。

本周在年度 Informatica World 大会上宣布的合作伙伴关系提升了公司智能数据管理云 (IDMC) 的功能，并与公司最近发布的数据管理产品以及之前与包括 AWS 在内的云软件和服务提供商的合作伙伴关系保持同步， 数据块和雪花。

在会议上，Informatica 为金融服务和医疗保健公司推出了两个新的以行业为中心的 IDMC，以及新的数据工程和 MLOps 工具。

Informatica 关注数据管理主导地位

Informatica 一直在缓慢执行其计划，以超越其众所周知的 ETL（提取、转换和加载）工具。这一战略的关键是加深与主要云服务提供商的合作伙伴关系，以便所有 Informatica 客户，无论其云供应商如何，都可以利用其提供的一系列产品来迁移、规划、分析、工程和管理数据。

Alt 数据为企业提供了获得竞争优势的机会，但将其集成到业务工作流程中的成本可能比您想象的要高。

现在，替代数据源已嵌入到各个部门的企业业务流程中。根据律师事务所 Lowenstein Sandler 2022 年的一项调查，从对冲基金和私募股权到风险投资，92% 的投资组织正在适度或显着地使用替代数据来为决策提供信息。受访者还预计到 2022 年他们对 alt 数据的使用将增加。通常，这些数据来自其他业务流程的耗尽，例如社交媒体活动、卫星图像、位置跟踪数据、信用卡交易和网络抓取。

虽然 alt 数据可以在整个组织中使用，从营销和销售到财务和战略职能，但 IT 部门通常负责第三方数据的管理和所有权。 2019 年，Forrester Research 发现 56% 的 alt 数据采集由 IT 部门的 CIO 和 CDO 管理。

采购、存储和管理 alt 数据给 IT 经理带来了新的挑战，并且可能带来大量不必要的成本。以下是 5 个此类挑战以及如何减轻其影响。

数据分析是一门专注于从数据中提取洞察力的学科，包括数据的分析、收集、组织和存储，以及用于执行此操作的工具和技术

数据分析定义

数据分析是一门专注于从数据中提取洞察力的学科。它包括数据分析和管理的过程、工具和技术，包括数据的收集、组织和存储。数据分析的主要目的是对数据应用统计分析和技术来发现趋势和解决问题。作为分析和塑造业务流程以及改进决策和业务成果的一种手段，数据分析在企业中变得越来越重要。

数据分析从一系列学科（包括计算机编程、数学和统计学）中汲取知识，对数据进行分析，以描述、预测和提高性能。为了确保进行稳健的分析，数据分析团队利用了一系列数据管理技术，包括数据挖掘、数据清理、数据转换、数据建模等。

数据分析（Data analytics）与数据分析（data analysis）

虽然术语数据分析和数据分析经常互换使用，但数据分析是数据分析的一个子集，涉及检查、清理、转换和建模数据以得出结论。数据分析包括用于执行数据分析的工具和技术。

数据科学家的角色因行业而异，但有一些共同的技能、经验、教育和培训可以帮助你在数据科学职业生涯中占据一席之地。

什么是数据科学家？

数据科学家是分析数据专家，他们使用数据科学从大量结构化和非结构化数据中发现见解，以帮助塑造或满足特定的业务需求和目标。数据科学家在企业中变得越来越重要，因为组织越来越依赖数据分析来推动决策制定，并将自动化和机器学习作为其 IT 战略的核心组成部分。

数据科学家职位描述

数据科学家的主要目标是组织和分析数据，通常使用专为该任务设计的软件。数据科学家分析的最终结果必须足够容易让所有投资的利益相关者理解——尤其是那些在 IT 之外工作的利益相关者。

数据科学家的数据分析方法取决于他们所在的行业以及他们所服务的业务或部门的具体需求。在数据科学家在结构化或非结构化数据中找到意义之前，业务领导者和部门经理必须传达他们正在寻找的东西。因此，数据科学家必须具备足够的业务领域专业知识，才能将公司或部门目标转化为基于数据的可交付成果，例如预测引擎、模式检测分析、优化算法等。

到 2022 年，供应链的可见性、准确评估数据产品以及利用数据实现可持续性和优化将变得至关重要。

数据分析是一个不断发展的领域。 2020 年初，很明显组织将继续大力投资分析以支持其数字化转型。 COVID-19 大流行成为主要的破坏因素。

在大流行初期，组织似乎可能会阻碍数据和分析的进步，以缩减并专注于其他紧迫的优先事项，例如启用远程劳动力。但是，在许多情况下，组织加快了对数据和分析能力以及人工智能的采用。 2020 年 7 月，毕马威的一项研究发现，67% 的受访者因大流行而加快了数字化转型战略的步伐，其中 63% 的受访者增加了数字化转型预算。

从那以后事情就没有放缓。研究公司 Fortune Business Insights 预测，2028 年全球大数据分析市场将增长到 5497 亿美元，2021 年至 2008 年间的复合年增长率为 13.2%。

随着 IT 领导者在 2022 年及以后将注意力集中在数据分析和人工智能上，他们应该将以下三个密切相关的趋势放在首位。

按照这三个步骤来开发和动员可以推动整个企业转型的数据治理计划。

本文与 Metis Strategy 的助理 Duke Dyksterhouse 合着。

IoT 设备、可穿戴设备、SaaS 应用程序和社交媒体渠道只是当今数据进入组织的几个来源。如果经过深思熟虑的组合和分析，来自这些渠道的数据可以提供新的见解并释放新的机会。将这些见解制度化并在整个企业范围内扩展的组织可以更快地做出明智的决策，并确保无需两次吸取教训。

将孤立的信息转换为企业范围的洞察力需要对数据治理的承诺，而正确地做到这一点不仅仅是一时的努力。在最好的情况下，数据治理可以随着公司战略的发展而调整和扩展，容纳不断增长的数据宝库，并且最重要的是，提供一个通用的命名法和信任，以简化跨业务部门和职能的沟通。

如果说数据是新的石油，速度是商业的货币，那么数据治理就是融合两者的纽带。它是组织用来确保团队在正确的时间拥有正确的数据以增强和自动化流程、产品和体验的一组系统、策略和程序。在当今竞争激烈的环境中，这是一个令人兴奋且有价值的功能，但要实现这一目标需要大量的工作。在本文中，我们列出了一个三步流程，以开发和调动以业务速度移动的数据治理计划。